Razvoj integrisanog modela za predikciju gužvi i određivanje optimalnog broja aktivnih kanala u modulu

Poslednjih godina veliki broj istraživanja je usmeren ka predikciji saobraćajnih gužvi. Različite statističke metode nisu pokazale značajan doprinos u prediktivnim performansama predikcije gužvi. Stoga se danas sve češće koriste algoritmi mašinskog učenja u cilju postizanja zadovoljavajućih rezultata predikcije. U ovoj disertaciji, predstavljena je metolodogija za klasifikaciju gužvi na bazi novorazvijenog modela Gausovih uslovnih slučajnih polja za strkturnu binarnu predikciju (GCRFBC). Ista je uspešno implementirana na realne probleme predviđanja gužvi. Metodlogija može biti uspešno primenjena na klasifikacione probleme opisane neusmerenim grafovima koji se ne mogu efektivno rešiti standardnim uslovnim slučajnim poljima (CRF). Novorazvijeni model, korišćen u metodologiji, je zasnovan na standardnim Gausovim uslovnim slučajnim poljima za regresiju (GCRF) koja su proširena latentnim promenljivim što daje brojne prednosti istom. Zahvaljujući latentnoj strukturi, učenje i zaključivanje u modelu ne zahteva komplikovane numeričke procedure, već može biti rešeno analitički. Pored toga, postojanje latentne strukture omogućava da model bude otvoren ka daljim poboljšanjima. Tri različita algoritma su razvijena: GCRFBCb (GCRFBC – Bajesovski), GCRFBCb-fast (GCRFBC – Bajesovski sa aproksimacijom) i GCRFBCnb (GCRFBC – ne-Bajesovski). Proširena metoda lokalne varijacione aproksimacije sigmoidne funkcije korišćena je za rešavanje integrala po latentnim promenljivim u Bajesovskoj verziji GCRFBC modela. U slučaju ne-Bajesovskog GCRFBC modela u učenju i zaključivanju je korišćena latentna promenljiva sa maksimalnom vrednošću funkcije gustine verovatnoće. Zaključivanje u GCRFBCb modelu je rešeno korišćenjem Njutn-Kotesovim formulama za jednodimenzionalnu integraciju. Usled velikog broja varijacionih parametara, računski trošak učenja je veliki, stoga je razvijena brza verzija Bajesovskog GCRFBC modela. Performanse modela su evaluirane na sintetičkim i realnim podacima. Pokazano je da se primenom metodlogije ostvaruju bolje performanse predviđanja gužvi u poređenju sa nestrukturnim modelima. Dodatno su evaluirani računski i memorijski troškovi. Metodologija je generalizovana na primere iz drugih domena. Detaljne prednosti i mane svih razvijenih modela su naglašene. U drugom delu disertacije razvijena je hibridna metodlogija za predviđanje indikatora saobaćaja koji se zasniva na kombinaciji Gausovih uslovnih slučajnih polja za regresiju i klasifikaciju. Usled korišćenja strukturnih modela, metodologija se koristi za predviđanje indikatora saobraćaja na više izlaza koji su međusobno zavisni. Pored toga, obezbeđuje se učenje iz retkih podataka, odnosno podataka gde mnogi izlazi nemaju nikakavu vrednost (ništa). Klasifikacioni model služi za eliminisanje izlaza sa vrednostima ništa, dok regresioni model služi za predviđanje indikatora saobraćaja na onim izlazima koji nemaju vrednost ništa. Informacije o indikatorima saobraćaja omogućavaju efikasan monitoring saobraćaja, upravljanje, planiranje kao i donošenje informacija koje učesnike u saobraćaju mogu da navedu na putanje gde gužve mogu da se zaobiđu. Prednosti i mane novorazvijene metodlogije prikazane su na dva primera. Prvi se tiče predviđanja gužvi na auto-putu E70-E75 koji prolazi kroz Srbiju, dok je drugi problem vezan za predviđanje gužvi na ski-centru Kopaonik. U poslednjem delu disertacije razvijena je metodologija za3 određivanja optimalnog broja aktivnih kanala u budućnosti. Metodologija je zasnovana na kombinaciji rekurentnih neuronskih mreža, teorije redova čekanja i metaheuristika u cilju određivanja optimalnog broja aktivnih kanala u budućnosti. Metodologija se bazira na predviđanju intenziteta dolazaka i određivanju intenziteta opsluživanja u nekom periodu u budućnosti. Korišćenjem tih intenziteta u modelima teorije redova čekanja, postavlja se funkcija cilja koja se optimizuje posredstvom izbora broja aktivnih kanala u modulu. Prikazana su dva algoritma: prvi zasnovan na ne-Bajesovskom pristupu određivanja broja aktivnih kanala u modulu i drugi zasnovan na Bajesovskom pristupu. Na primeru određivanja optimalnog broja naplatnih rampi koji treba da bude otvoren u budućnosti na naplatnoj stanici Vrčin verifikovana je primena iste. Može se videti da u svim analiziranim slučajevima, rezultati dobijeni novorazvijenom metodologijom pokazuju neuporedivo niže očekivane ukupne troškove u poređenju sa trenutnom strategijom otvaranja naplatnih rampi.

Grantor dc:publisher

Univerzitet u Beogradu, Fakultet organizacionih nauka

Year dc:date.issued

2019

Author dc:creator

• Petrović, Andrija

Advisor dc:contributor.advisor

• Delibašić, Boris

• teorija redova čekanja
• strukturni probabalistički modeli
• regresija
• predviđanje gužvi
• oптимизација
• nestacionarn i Markovljevi procesi
• klasifikacija
• Gausova uslovna slučajna polja
• structural probabalistic models
• queuing theory
• optimization
• non homogenous Markov process
• Gaussian conditional radnom fields
• congestion prediction
• classifiaction- regression

Statement dc:rights

• openAccess

Licence dc:rights.uri

• https://creativecommons.org/licenses/by/4.0/

Language dc:language

sr

Identifier URI

https://fedorabg.bg.ac.rs/fedora/get/o:23390/bdef:Content/download
http://vbs.rs/scripts/cobiss?command=DISPLAY&base=70036&RID=14772489
https://nardus.mpn.gov.rs/handle/123456789/18162
https://rfos.fon.bg.ac.rs/handle/123456789/112

OAI identifier oai:identifier

oai:rfos.fon.bg.ac.rs:123456789/112